第4期 魏文戈，等：密集堆叠下的高相似度木块横截面检测 ·643· 之间的分布高度密集且缝隙极小；外观较相似、 Faster R-CNN:为了改进Fast R-CNN较为耗 边界不明显，易导致漏检和误检；且拍摄时光照、 时的候选区域生成过程，Faster R-CNN算法提出 亮度变化范围较大，进一步加大了检测难度，给 区域候选网络(RPN),将区域候选功能块也交 有效检测木块横截面信息带来了较大的挑战。现 由CNN实现，提高了检测速度。通过该设计，区 有的目标检测算法)均不能很好地解决该问 域候选网络可与Fast R-CNN共享前半部分的卷 题。本文为此提出了Wood R-CNN模型，在模型 积提取结果。 损失函数和非极大值抑制算法上进行了改进以提 Mask R-CNN:该算法在Faster R-CNN基础上 升检测精度，同时简化网络结构并改进特征金字 并行添加了一个目标掩膜分支，用于对每一个候 塔网络以保证检测速度。实验结果表明：该模型 选区域预测目标掩膜。3个任务分支并行设计不 保证了较快的检测速度，且对密集程度、亮度、光 仅简化了网络结构，也提升了灵活性便于做进一 照、纹理的变化具有良好的鲁棒性。 步修改。Mask R-CNN能够对图像中的目标精准 木块检测相关工作 地检测，并精细分割出每个实例。 1.2木块检测领域 目标检测作为计算机视觉领域的一个重要分 目前业界针对木块检测的研究主要集中于木 支，一直是专家们研究的热点之一。然而，鉴于 块缺陷检测6、木块含水率检测)、木块年轮检 传统目标检测算法依赖人为设计特征的局限性， 测、木块性质检测四、木块密度检测四及木块 检测效果较差、算法较为复杂、且检测速度也较 腐朽检测等领域。 慢。因此传统目标检测算法并没有被广泛运用。 文献[10]通过超声波实现木块缺陷检测；文 之后，基于深度学习的目标检测算法的出现 献[11]总结了木块缺陷的理论方法，指明接下来 在检测精度、检测速度和实现成本上均优于传统 的发展方向；文献[12]将基于RGB彩色空间的木 的目标检测算法。目标检测算法因此逐渐转向以 块图像作为一个整体，由四元数矩阵奇异值分解 深度学习为主流。其中最具有代表性的是R- 完成检测分析；文献[13]侧重研究木块无损检 CNN系列-目标检测算法，此外还有SPP-Net 测；文献[14-16]将人工神经网络技术引人木块缺 SSD阿、YOLOT以及YOLO2阁等经典算法。 陷检测并取得较大影响；文献[17]首次在木材含 1.1R-CNN系列目标检测算法 水率检测中使用深度学习技术；文献[18-19]将图 R-CNN网络是一种基于区域候选的卷积神 像处理技术应用于木块检测；文献[20]对模态分 经网络算法，是CNN在检测问题上的首次尝试。 析技术进行研究，为木块检测提供新思路；文献21-22] 其通过提取一系列的区域候选框送入卷积神经网 通过应力波技术及应力波传播模型实现木块检 络，将检测问题转化为分类问题。R-CNN 测；文献[23]研究了计算机断层扫描技术在木块 首先通过选择性搜索算法，使用不同大小的滑 密度检测上的可行性；文献[24]侧重对木材腐朽 动窗口来感受输入图像并生成候选区域。每张图 情况进行检测，该研究对后续的防治工作起到了 像大慨会生成近2k个候选区域。这些候选区域 辅助作用。 经过扭曲变换，统一缩放成相同尺寸的方形区 但目前业内并没有针对木材横截面检测这一 域，并输入卷积神经网络，进行进一步的特征抽 取。最后对各候选区域进行标签分类以达到目标 特定任务的先行研究。本文创新性地设计并提出 了Wood R-CNN网络模型，将深度学习成功运用 检测的效果。 Fast R-CNN:为了省去R-CNN算法中重叠 到木块横截面检测中，在该复杂场景下通过卷积 区域被反复特征提取，Fast R-CNN首先记录下 神经网络学得网络模型，实现了对木块横截面的 选择性搜索所得的区间，并对整张输入图片进行 有效检测。 卷积操作得到特征图，然后将先前记录的区间映 2 Wood R-CNN模型设计 射到特征图以生成各块候选区域。Fast R-CNN提 出了RolPooling层结构以保证映射后的候选区 2.1 Wood R-CNN网络结构 域尺寸一致，并输人全连接层提取更高级的特 如图1，Wood R-CNN分为以下3部分： 征。最后将结果数据送入分类器和边界框回归 前半部分以ResNet-5021组合FPN26作为卷 器，前者用于识别候选区域的类别标签，后者用 积神经网络结构的主体，对输入的图像进行了特 于微调边界框的坐标位置。 征提取。之间的分布高度密集且缝隙极小；外观较相似、 边界不明显，易导致漏检和误检；且拍摄时光照、 亮度变化范围较大，进一步加大了检测难度，给 有效检测木块横截面信息带来了较大的挑战。现 有的目标检测算法[ 1 - 8 ] 均不能很好地解决该问 题。本文为此提出了 Wood R-CNN 模型，在模型 损失函数和非极大值抑制算法上进行了改进以提 升检测精度，同时简化网络结构并改进特征金字 塔网络以保证检测速度。实验结果表明：该模型 保证了较快的检测速度，且对密集程度、亮度、光 照、纹理的变化具有良好的鲁棒性。 1 木块检测相关工作 目标检测作为计算机视觉领域的一个重要分 支，一直是专家们研究的热点之一。然而，鉴于 传统目标检测算法依赖人为设计特征的局限性， 检测效果较差、算法较为复杂、且检测速度也较 慢。因此传统目标检测算法并没有被广泛运用。 之后，基于深度学习的目标检测算法的出现 在检测精度、检测速度和实现成本上均优于传统 的目标检测算法。目标检测算法因此逐渐转向以 深度学习为主流。其中最具有代表性的是 R￾CNN 系列[1-4] 目标检测算法，此外还有 SPP-Net[5] 、 SSD[6] 、YOLO[7] 以及 YOLO2[8] 等经典算法。 1.1 R-CNN 系列目标检测算法 R-CNN[1] 网络是一种基于区域候选的卷积神 经网络算法，是 CNN 在检测问题上的首次尝试。 其通过提取一系列的区域候选框送入卷积神经网 络，将检测问题转化为分类问题。 R-CNN 首先通过选择性搜索[9] 算法，使用不同大小的滑 动窗口来感受输入图像并生成候选区域。每张图 像大概会生成近 2k 个候选区域。这些候选区域 经过扭曲变换，统一缩放成相同尺寸的方形区 域，并输入卷积神经网络，进行进一步的特征抽 取。最后对各候选区域进行标签分类以达到目标 检测的效果。 Fast R-CNN：为了省去 R-CNN[1] 算法中重叠 区域被反复特征提取，Fast R-CNN[2] 首先记录下 选择性搜索所得的区间，并对整张输入图片进行 卷积操作得到特征图，然后将先前记录的区间映 射到特征图以生成各块候选区域。Fast R-CNN 提 出了 RoIPooling[2] 层结构以保证映射后的候选区 域尺寸一致，并输入全连接层提取更高级的特 征。最后将结果数据送入分类器和边界框回归 器，前者用于识别候选区域的类别标签，后者用 于微调边界框的坐标位置。 Faster R-CNN：为了改进 Fast R-CNN[2] 较为耗 时的候选区域生成过程，Faster R-CNN[3] 算法提出 区域候选网络 (RPN)[3] ，将区域候选功能块也交 由 CNN 实现，提高了检测速度。通过该设计，区 域候选网络可与 Fast R-CNN 共享前半部分的卷 积提取结果。 Mask R-CNN：该算法在 Faster R-CNN 基础上 并行添加了一个目标掩膜分支，用于对每一个候 选区域预测目标掩膜。3 个任务分支并行设计不 仅简化了网络结构，也提升了灵活性便于做进一 步修改。Mask R-CNN 能够对图像中的目标精准 地检测，并精细分割出每个实例。 1.2 木块检测领域 目前业界针对木块检测的研究主要集中于木 块缺陷检测[10-16] 、木块含水率检测[17] 、木块年轮检 测 [18] 、木块性质检测[19-22] 、木块密度检测[23] 及木块 腐朽检测[24] 等领域。 文献 [10] 通过超声波实现木块缺陷检测；文 献 [11] 总结了木块缺陷的理论方法，指明接下来 的发展方向；文献 [12] 将基于 RGB 彩色空间的木 块图像作为一个整体，由四元数矩阵奇异值分解 完成检测分析；文献 [13] 侧重研究木块无损检 测；文献 [14-16] 将人工神经网络技术引入木块缺 陷检测并取得较大影响；文献 [17] 首次在木材含 水率检测中使用深度学习技术；文献 [18-19] 将图 像处理技术应用于木块检测；文献 [20] 对模态分 析技术进行研究，为木块检测提供新思路；文献 [21-22] 通过应力波技术及应力波传播模型实现木块检 测；文献 [23] 研究了计算机断层扫描技术在木块 密度检测上的可行性；文献 [24] 侧重对木材腐朽 情况进行检测，该研究对后续的防治工作起到了 辅助作用。 但目前业内并没有针对木材横截面检测这一 特定任务的先行研究。本文创新性地设计并提出 了 Wood R-CNN 网络模型，将深度学习成功运用 到木块横截面检测中，在该复杂场景下通过卷积 神经网络学得网络模型，实现了对木块横截面的 有效检测。 2 Wood R-CNN 模型设计 2.1 Wood R-CNN 网络结构 如图 1，Wood R-CNN 分为以下 3 部分： 前半部分以 ResNet-50[25] 组合 FPN[26] 作为卷 积神经网络结构的主体，对输入的图像进行了特 征提取。 第 4 期 魏文戈，等：密集堆叠下的高相似度木块横截面检测 ·643·